SlideShare une entreprise Scribd logo
1  sur  18
Télécharger pour lire hors ligne
Cours : Séminaire d’économetrie
Hiver 2013
Professeur : Carlos Ordás Criado
Étudiante : Bouda Wendpouiré Adèle
Les déterminants des écarts salariaux hommes-femmes aux USA: approche linéaire et quantile
Résumé
Le présent travail est une application empirique de la méthode de Oaxaca (1973) à partir d'une
base récente de données américaines (PUMS 2006). Des résultats confirmant pour la plupart les
résultats de Oaxaca ont été obtenus.
Les tests de Chow effectués confirment les différences dans les structures salariales. La
régression quantile appliqué à la méthode d’Oaxaca a permis d’obtenir la distribution de l’écart
salarial et de ses determinants. Les résultats confirment la présence de discrimination au sein des
différents groupes démographiques considérés, mais à des degrés variés. La discrimination entre
hommes et femmes semble plus affecter le groupe des blancs que celui des noirs de notre
échantillon. Aussi existe t-il une discrimination entre noirs et blancs et les résultats d'Oaxaca sont
confirmés à plusieurs niveaux.
Mots-clés: Oaxaca, décomposition, discrimination, wage gap
Introduction
Depuis Becker (1957), la discrimination sur le marché du travail a suscité un intérêt particulier
chez les économistes et plusieurs travaux, tant théoriques qu'empiriques ont été réalisés dans ce
domaine. L'étude de la discrimination sur le marché du travail utilise des comparaisons à
plusieurs niveaux avec la considération de groupes de différentes sortes. Des études de la
discrimination entre groupes tels que hommes-femmes, les groupes ethniques ou raciaux, ainsi
qu'entre différentes sortes de caractéristiques des groupes ont été réalisées. Les groupes utilisés
pour la comparaison varient d'un auteur à l'autre. C'est ainsi que auteurs comme Coate et Loury
(1993), Arrow (1998), Aigner et Cain (1977), Szymanski (2000), Charles et Guryan (2008) se
sont intéressés à la discrimination entre les races (Blancs et Noirs) alors que d'autres comme
Becker (1985), Gneezy et al (2003), Oaxaca (1973) ont analysé la discrimination selon le genre
(Hommes-Femmes). Les résultats de ces auteurs vont en général dans le sens des observations en
confirmant l'existence de discrimination entre différents groupes démographiques. Une autre
sorte de discrimination a également été prise en compte dans la littérature, en l'espèce la
discrimination statistique. Des auteurs tels que Altonji et Pierret (2001) ont fait des études sur
cette sorte de discrimination
Le présent travail, est une application empirique de la décomposition salariale par la méthode de
Oaxaca (1957) sur deux principaux groupes démographiques. A l'aide de données de l'enquête
américaine Public Use Microdata Sample effectuée en 2006 et dans l'esprit du papier d'Oaxaca,
nous avons essayé d'appréhender la discrimination faite aux femmes de race blanche d'une part,
et celle faite aux femmes noires d'autre part. La motivation de ce papier se situe dans l'application
de la méthode de Oaxaca dans l'esprit d’identifier les déterminants des écarts salariaux hommes-
femmes aux USA.
L'innovation de ce papier réside dans l'extension de notre étude à l'étude de la discrimination
entre hommes et femmes sur toute la distribution du revenu et dans la comparaison de nos
résultats avec ceux de la littérature. La distribution du revenu conditionnel a été estimée par une
régression quantile. Nos résultats indiquent la présence de discrimination pure dans les groupes
que nous considérons. Celle-ci est de .28 chez les blancs contre .12 pour les noirs, suggérant un
écart salarial entre hommes et femmes plus élevé chez les blancs que chez les noirs. Le papier,
bien que confirmant la présence de discrimination allant dans le sens de Oaxaca, présente
certaines différences avec celui-ci, notamment une baisse de la discrimination dans les différents
groupes a été observée, ce qui est probablement dû à l'évolution des mentalités par rapport aux
années 60'. L'introduction et l'application des lois anti-discrimination pourraient aussi être sous-
jacentes à cette évolution.
Ce travail s'articule autour de trois principales sections. La première section présente un bref
aperçu de la théorie qui sous-tend la décomposition salariale à la Oaxaca. La deuxième section
présente les modèles à estimer, et la section 3 présente les résultats obtenus et la section 4
conclut.
A. . Méthodologie
Ce qui suit s'inspire des travaux de Oaxaca, 1975 publié dans International Economic Review. Ce
dernier a formalisé et estimé la discrimination homme-femme sur le marché du travail urbain aux
États-Unis. Il faut noter qu'ici la discrimination est faite contre les femmes et cela est observable
aux niveaux des salaires pratiqués sur le marché du travail.
1. Mesure de la discrimination: Décomposition de Oaxaca
Selon Oaxaca 1975, il y a discrimination contre les femmes lorsque le différentiel de salaire entre
hommes et femmes est en faveur des hommes. Dans son papier, il appréhende la discrimination à
travers le coefficient D suivant :
𝐷 =
!!
!!
!
!!
!!
°
!!
!!
° (1)
Avec
!!
!!
le salaire relatif des hommes par rapport à celui des femmes et
!!
!!
°
le salaire relatif
des hommes en absence de discrimination. L'objectif est d'estimer le coefficient D. Cependant
dans l'équation (1), seul
!!
!!
est observé. Pour l'estimation du ratio
!!
!!
°
Oaxaca utilise
l'hypothèse selon laquelle en absence de discrimination la structure salariale des hommes et des
femmes est la même. Cette hypothèse impose d'utiliser, pour l'estimation de
!!
!!
°
,
successivement la structure salariale des femmes et celle des hommes. L'équation de salaire des
deux groupes (homme et femme) va être utilisée comme dans Oaxaca (1973) afin d'estimer cette
structure salariale :
ln 𝑊! = 𝑍!
!
  𝛽 +   𝑢! (2)
Avec :
Wi : le taux de salaire horaire du travailleur i,
𝑍!
!
  : un vecteur des caractéristiques individuelles du travailleur i,
𝛽 :un vecteur de coefficients,
𝑢! : un terme d'erreur.
Après estimation des équations de salaires, on récupère les coefficients estimés, ainsi que les
valeurs moyennes des variables explicatives et dépendantes. Donc après estimation par moindre
carré ordinaire :
ln 𝑊! = 𝑍!
!
  𝛽! (3)
ln 𝑊! = 𝑍!
!
  𝛽! (4)
𝑍!
!
et 𝛽! avec j = m; f sont respectivement les vecteurs moyens des regresseurs et les vecteurs
coefficients estimés.
Cette formulation de l'équation salariale (variable dépendante en logarithme) impose une
réécriture de la formule du coefficient de discrimination.
ln  (𝐷 + 1) = ln
!!
!!
− 𝑙𝑛
!!
!!
°
(6)
Aussi, Oaxaca montre que sous l'hypothèse que les hommes et les femmes ont le même
traitement salarial en absence de discrimination, le différentiel salarial peut se décomposer en
deux effets:
• Celui de la discrimination faite aux femmes
• Celui des différences de caractéristiques entre individus.
ln
!!
!!
= 𝑍!
!
(𝛽! −   𝛽!)…………………………………(7)
𝑙𝑛
!!
!!
°
= 𝛽!(𝑍!
! −   𝑍!
!
)…………………………………(8)
L'équation (7) donne l'effet estimé des différences de caractéristiques entre individus et l'équation
(8) l'effet estimé de la discrimination faite aux femmes. Dans le cas où ce sont les salaires de
hommes qui servent de référence, alors la décomposition est la suivante:
ln
!!
!!
= 𝑍!
!
(𝛽! −   𝛽!)…………………………………..(9)
ln
!!
!!
°
= (𝑍!
! −   𝑍!
!
)𝛽!) …………………………………(10)
ln 𝑊! − ln 𝑊! = 𝑍!
!
(𝛽! −   𝛽!)- (𝑍!
! −   𝑍!
!
)𝛽!…………(11)
2. . Décomposition de Oaxaca : Extensions
La littérature dans le domaine s'est beaucoup inspirée des travaux de Oaxaca et il existe bon
nombre de papiers proposant des extensions basées sur la décomposition de Oaxaca. Fairlie
(2005) par exemple propose une approche à choix discret de la décomposition de Oaxaca, donc
où la variable dépendante est un ensemble discret. Il introduit une technique de décomposition à
la Oaxaca basée sur des modèles probit et logit et l'utilise pour estimer les causes de différences
entre races dans la possession d'ordinateurs. Bauer et Sinning (2010) par ailleurs proposent une
méthode de décomposition basée sur Oaxaca pour les modèles tobit et l'appliquent à l'estimation
des différences salariales basées sur le genre sur données allemandes. Aussi Koenker and Basset
(1978) ont utilisé la régression quantile pour déterminer l’impact des variables sur toute la
distribution du revenu. Ils étendent la méthode de décomposition d’Oaxaca et de blinder de la
moyenne à tout les niveaux de revenue. Leur modèle était basé sur une estimation de la
distribution conditionnelle par régression quantile. Cela leur a permit d’observer l’effet « glass
ceilling », c’est à dire que l’écart est plus prononcé pour les plus hauts revenus. Le présent papier
se place dans le cadre le plus simple de la décomposition d'Oaxaca afin d'estimer les déterminants
des différences salariales entre différents sous-groupes: d'une part entre hommes-femmes blanc,
et d'autres part entre hommes-femmes noirs. On utilise également l’Extension de Koenker and
Basset afin d’obtenir la décomposition de l’écart salariale sur toute a distribution du revenu.
B. . Estimation
1. . Données
Le présent travail utilise les micro-données américaines appelées American Community Survey
(ACS): Public Use Microdata Sample (PUMS) collectées en 2006 par le Bureau du Recensement
du département de commerce américain. Les données publiées par ACS sont de caractère social,
économique et contiennent aussi des informations sur le logement. L'enquête est réalisée sur tout
le territoire des États-Unis et Porto-Rico. La base de données contient 2 969741 individus. Le
sous-échantillon d'intérêt est constitué des travailleurs1 de 16 ans ou plus de race noire ou
blanche
Le salaire horaire moyen observé des hommes est plus grand que celui des femmes dans les deux
races. Le ratio homme-femme de salaire moyen est légèrement plus grand chez les blancs que
chez les noirs
2. . Spécification du modèle
• Variables explicatives
À l'instar de Oaxaca (1975), une estimation des équations de salaires pour les hommes et les
femmes par race a été réalisée. Dans ses travaux, Oaxaca a utilisé les données de 1967. On se
propose de revisiter ses résultats en utilisant une base de données plus récentes. La méthode de
sélection des variables de contrôle est la suivante:
• Une variable proxy pour l'expérience a été construite nommée "expérience potentielle" en
retranchant de l'âge du travailleur, son nombre d'années d'éducation et 6 ans1
. Une
hypothèse implicite ici est que les individus travaillent directement après avoir complété
leurs études et que ces derniers commencent à étudier à partir de l'âge de 6 ans.
L'expérience au carré est également introduite dans toutes les régressions. La variable
éducation qui représente le nombre d'année d'éducation a été construite (car absente de la
base) en utilisant le plus haut diplôme obtenu (en effet il suffit de remplacer le plus haut
diplôme obtenu par le nombre d'année moyen pour l'obtenir). Il convient de souligner que
cette variable ainsi créée est un proxy car il y a des redoublements et les études ne se font
pas toujours de façon linéaire. Une forme quadratique de la variable explicative
éducation a également été introduite. Les autres variables explicatives sont des variables
binaires.
• Le type du travailleur (class of worker) est une variable catégorielle. Des "dummies" ont
été construites pour chacune des catégories: travailleur dans "une entreprise à but
lucratif", dans une "entreprise à but non lucratif", "travailleur du gouvernement" et
"travailleur indépendant" (SELF EMPLOYED). Cette dernière modalité est la référence
• On contrôle aussi pour la difficulté de travailler avec la variable difficulty working = 1 si
l'individu déclare avoir des difficultés pour travailler.
• Immigration est une variable qui vaut 1 si l'individu est un immigrant zéro sinon.
• Le statut marital du travailleur est pris en compte
• Pour ce qui est de la région, nous construisons 4 dummies: NORTHEAST,
NORTHCENTRAL, WEST et SOUTH (référence).
1
Cette méthode a égalemnt été utilisée dans Oaxaca (1973) et Akonji et pierret (2001)
Il faut noter que le problème de données manquantes n'a pas eu à être traité car pour les variables
considérées, il n'y en avait pas. Un échantillon de 10000 individus a été tiré de façon aléatoire
pour effectuer les régressions linéaires et quantiles. Les valeurs quelques valeurs aberrantes (telle
que les revenus très élevés ont été gardées pour observer « glass ceilling ».
Il faut également souligner qu’Oaxaca avait ajouté d’autres variables. Notamment :
• La variable du secteur d'activité est "industry" avec 18 modalités transformées en
variables binaires dont la modalité de référence est "vendeur détaillant" soit RETAIL.
• Quant au statut d'occupation, les modalités ont été regroupées selon la nomenclature de
l'occupation à deux positions du U.S Census Bureau. On a ainsi pu créer 11 dummies
avec comme reférence "Sales occupations"
• Part-time est une variable qui vaut 1 si l'individu travailleà temps partiel et zéro sinon. De
même que la variable immigration, qui indique que si le travailleur est immigrant ou non
• Enfin pour l'équation de salaire des femmes, la variable "Child born within the 12 past
months" a été ajoutée et vaut 1 si la femme s'occupe d'un enfant d'au plus un an et zéro
sinon.
La régression linéaire ont d’abords effectuée avec toutes les variables qu’Oaxaca, puis avec les
variables cité en première partie afin d’effectuer la régression quantile.
3. Stratégie d'estimation
Comme il a été mentionné auparavant, deux séries de régressions ont été effectuées, la première
qui examine la discrimination homme-femme blanche puis homme-femme noire. Dans chacun
des cas, une décomposition du différentiel salarial entre les groupes a été faite en considérant
toutes les variables explicatives citées dans un premier temps puis les autres variables.
Comme indiqué en haut, une estimation des équations de salaires a été faite dans un premier
temps. Et selon les équations (7) et (9), il n'y a pas de discrimination (D = 0) lorsque les
structures salariales sont les mêmes. Il faut donc se rassurer que la structure des salaires homme-
femme blanc-noir est différente en faisant un test de Chow.
Considérons l'équation de salaire (2) pour deux sous échantillons (S1) et (S2) pour lesquels les
coefficients ne sont pas nécessairement les mêmes on a:
ln 𝑊! = 𝑍!
!
  𝛽! + 𝑢!                            𝑖 ∈ (𝑆1)
ln 𝑊! = 𝑍!
!
  𝛽! + 𝑢!                                    𝑖 ∈ (𝑆2)
Le test de Chow permet de tester l'égalité des coefficients, l'hypothèse nulle du test étant H0 : 𝛽!
= 𝛽!, soit les deux groupes ont la même structure salariale et dans ce cas pas de discrimination.
Les résultats des tests sont consignés dans le tableau qui suit:
L'égalité des coefficients a donc été rejetée comme le montre ce tableau. Par conséquent, nous
pouvons appliquer la décomposition de l'écart de salaire comme dans Oaxaca.
C. Résultats - Interprétation
Cette section présente les résultats de nos régressions linéaires (puis les régressions quantile à la
médiane) suivant nos premières et deuxièmes spécifications. La dernière considère comme
variables de contrôle les caractéristiques personnelles des individus. Alors que la première
consiste à une régression en suivant la notation d'Oaxaca. La motivation associée à la deuxième
spécification est d'éliminer le biais associé à l'estimation de la discrimination qui est dû à
l'inclusion des variables représentant l'occupation, l'industrie et la classe de travailleurs à laquelle
appartient l'individu et aussi et surtout pour réaliser la décomposition à tout les niveau de revenu.
La deuxième partie consistera à l'évaluation de l'écart salarial et de la part de cet écart dû à la
discrimination pure en suivant la méthodologie d'Oaxaca qui, rappelons-le, constitue le cadre de
notre étude.
1. . Résultats-Régressions
Les tables 1 et 2 présentent les résultats de nos régressions associées à nos deux spécifications. La
table 1 qui présente les résultats de la régression incluant toutes les variables d’Oaxaca alors que
la table 2 présente ceux de la régression avec les caractéristiques personnelles des individus.
Les résultats montrent que l'expérience joue positivement et significativement sur les salaires des
blancs et des noirs, alors que le nombre d'années d'éducation ne joue positivement que sur le
salaire des femmes blanches à 1% de significativité. Au contraire, le nombre d'années d'éducation
chez les noirs affecte négativement les salaires de ces derniers. Ceux qui travaillent pour le
gouvernement gagnent en moyenne beaucoup plus que les autres classes de travailleurs. Les
personnes qui travaillent dans les mines, dans le secteur des "Utilities", les manufactures, le
commerce en gros, le secteur des transports, de l'informatique, de la finance, les services
médicaux et l'armée gagnent en moyenne plus que les autres, alors que ceux qui sont dans les
services d'aide aux personnes ont un salaire plus faible.
Du côté des occupations, les blancs qui sont dans le service de protection aux personnes gagnent
moins que les autres alors que les noirs de ces services ont un salaire plus élevé. Les fermiers, les
pêcheurs, les inspecteurs d'usine, les transporteurs de machines ont un salaire plus faible par
ailleurs. Avoir des difficultés pour travailler influe aussi négativement sur le salaire comme
attendu, de même que les travailleurs à temps partiels gagnent moins que les travailleurs à temps
pleins. Les immigrants ont un salaire moindre que les autres, de même que les personnes
habitants dans les régions du Centre-Nord. Le fait d'être séparé, divorcé ou veuf procurent un
revenu plus élevé, de même que ceux qui sont mariés et dont les époux sont présents. On observe
l'effet inverse pour ceux dont l'époux n'est pas présent sauf pour les femmes blanches, ce qui
suggère que les femmes noires sont plus sensibles à la présence de l'époux dans la structure de
leur salaire. Par ailleurs, la femme noire ayant un enfant au bas âge a moins de revenu,
contrairement à la femme blanche pour qui le revenu est plus élevé. Ainsi, l'effet des enfants sur
le salaire des femmes peut dépendre de l'âge de l'enfant et du fait que celui-ci soit au bas âge ou
non, ce qui nous amène à remettre en cause le résultat d'Oaxaca qui trouvait un effet négatif chez
les blanches et un effet négligeable chez les femmes noires.
Variables	
  
	
  	
   Blacks	
   Whites	
  
	
  	
   Male	
  	
   Female	
   	
  Male	
   	
  Female	
  
Experience	
   	
  0.0447***	
   	
  0.0431***	
   	
  0.0474***	
  	
   0.0376***	
  
	
  	
   (0.00105)	
  	
   (0.000871)	
  	
   (0.000286)	
  	
   (0.000290)	
  
Expérience2	
  	
   ()0.000648***	
  	
  
(-­‐
)0.000619***	
  
	
  (-­‐
)0.000742***	
  	
  
(-­‐
)0.000547***	
  
	
  	
   (1.99e-­‐05)	
   	
  (1.74e-­‐05)	
  	
   (5.34e-­‐06)	
  	
   (5.55e-­‐06)	
  
Years	
  of	
  education	
  	
   (-­‐)0.00369	
   	
  (-­‐)0.0125*	
   	
  0.0184***	
  	
   0.0304***	
  
	
  	
   (0.00705)	
  	
   (0.00704)	
   	
  (0.00191)	
  	
   (0.00252)	
  
Education2	
   	
  0.00320***	
  	
   0.00414***	
  	
   0.00230***	
   	
  0.00241***	
  
	
  	
   (0.000267)	
   	
  (0.000256)	
   	
  (6.89e-­‐05)	
  	
   (8.89e-­‐05)	
  
Private	
  Pro t	
  employees	
   	
  0.113***	
   	
  0.149***	
  	
   0.106***	
   	
  0.115***	
  
	
  	
   (0.0240)	
   	
  (0.0282)	
  	
   (0.00397)	
   	
  (0.00570)	
  
Private	
  Non-­‐pro t	
  employees	
  	
   0.0650**	
  	
   0.168***	
   	
  (-­‐)0.0538***	
   	
  0.106***	
  
	
  	
   (0.0287)	
  	
   (0.0296)	
   	
  (0.00617)	
  	
   (0.00654)	
  
Government	
  employees	
   	
  0.149***	
  	
   0.192***	
   	
  0.0487***	
   	
  0.135***	
  
	
  	
   (0.0270)	
   	
  (0.0297)	
  	
   (0.00595)	
   	
  (0.00697)	
  
Agriculture	
  	
   (-­‐)0.0955	
  	
   (-­‐)0.0295	
   (	
  )-­‐0.321***	
  	
   -­‐0.00586	
  
	
  	
   (0.0601)	
  	
   (0.103)	
  	
   (0.0108)	
   	
  (0.0169)	
  
Mining	
  	
   0.212***	
  	
   0.209*	
  	
   0.269***	
   	
  0.366***	
  
	
  	
   (0.0650)	
  	
   (0.124)	
  	
   (0.0111)	
  	
   (0.0265)	
  
Construction	
  	
   0.0160	
  	
   0.109**	
   	
  0.158***	
  	
   0.290***	
  
	
  	
   (0.0226)	
   	
  (0.0465)	
   	
  (0.00505)	
   	
  (0.00893)	
  
Utilitie	
   	
  0.389***	
   	
  0.412***	
   	
  0.433***	
  	
   0.459***	
  
	
  	
   (0.0366)	
   	
  (0.0481)	
  	
   (0.00909)	
  	
   (0.0163)	
  
Manufacture	
   	
  0.214***	
   	
  0.259***	
  	
   0.256***	
  	
   0.335***	
  
	
  	
   (0.0185)	
  	
   (0.0199)	
   	
  (0.00448)	
   	
  (0.00568)	
  
Wholesale	
   	
  0.181***	
  	
   0.215***	
  	
   0.228***	
   	
  0.322***	
  
	
  	
   (0.0243)	
   	
  (0.0305)	
   	
  (0.00549)	
  	
   (0.00761)	
  
Transportation	
  	
   0.308***	
  	
   0.292***	
  	
   0.297***	
  	
   0.374***	
  
	
  	
   (0.0191)	
  	
   (0.0219)	
   	
  (0.00577)	
  	
   (0.00818)	
  
Computer	
  Science	
  	
   0.270***	
   	
  0.269***	
  	
   0.268***	
   	
  0.269***	
  
	
  	
   (0.0271)	
  	
   (0.0230)	
  	
   (0.00694)	
  	
   (0.00758)	
  
Finance	
   	
  0.208***	
  	
   0.258***	
   	
  0.334***	
  	
   0.344***	
  
	
  	
   (0.0216)	
   	
  (0.0166)	
  	
   (0.00528)	
  	
   (0.00492)	
  
Professional	
  Service	
   	
  0.0649***	
  	
   0.124***	
   	
  0.216***	
  	
   0.257***	
  
	
  	
   (0.0188)	
  	
   (0.0171)	
  	
   (0.00487)	
  	
   (0.00508)	
  
Education	
   	
  (-­‐)0.0464*	
  	
   (-­‐)0.0819***	
  	
   (-­‐)0.0736***	
  	
   (-­‐)0.0817***	
  
	
  	
   (0.0240)	
  	
   (0.0181)	
  	
   (0.00680)	
   	
  (0.00585)	
  
Medical	
  	
   0.115***	
  	
   0.170***	
  	
   0.301***	
  	
   0.293***	
  
	
  	
   (0.0226)	
   	
  (0.0156)	
   	
  (0.00661)	
   	
  (0.00484)	
  
Care	
  Service	
  	
   (-­‐)0.102***	
  	
   (-­‐)0.145***	
  	
   (-­‐)0.0306**	
  	
   -­‐0.138***	
  
	
  	
   (0.0347)	
  	
   (0.0192)	
   (0.0141)	
   	
  (0.00727)	
  
Recreation	
  	
   (-­‐)0.0363*	
  	
   (-­‐)0.0783***	
  	
   (-­‐)0.0398***	
  	
   -­‐0.0198***	
  
 	
   (0.0205)	
  	
   (0.0166)	
  	
   (0.00589)	
   	
  (0.00551)	
  
Service	
  	
   (-­‐)0.00933	
   	
  0.113***	
   (-­‐)0.0149**	
   	
  0.0738***	
  
	
  	
   (0.0247)	
  	
   (0.0214)	
   	
  (0.00642)	
   	
  (0.00655)	
  
Administration	
   	
  0.0220	
  	
   0.235***	
   	
  0.255***	
  	
   0.282***	
  
	
  	
   (0.0246)	
   	
  (0.0202)	
   	
  (0.00766)	
  	
   (0.00754)	
  
Military	
  	
   0.202***	
   	
  0.277***	
  	
   0.111***	
  	
   0.248***	
  
	
  	
   (0.0350)	
   	
  (0.0493)	
   	
  (0.0109)	
  	
   (0.0258)	
  
Ex.	
  adm.	
  &	
  man.	
  Occ	
   	
  0.322***	
  	
   0.425***	
  	
   0.195***	
   	
  0.314***	
  
	
  	
   (0.0203)	
  	
   (0.0161)	
  	
   (0.00429)	
   	
  (0.00478)	
  
	
  	
   	
  	
   	
  	
   	
  	
   	
  	
  
Prof.	
  speciality	
  occupation	
  	
   0.226***	
  	
   0.331***	
   	
  0.0836***	
  	
   0.194***	
  
	
  	
   (0.0199)	
  	
   (0.0154)	
  	
   (0.00459)	
   	
  (0.00473)	
  
Tech.	
  &	
  related	
  support	
  occup.	
  	
   (-­‐)0.121***	
  	
   (-­‐)0.00581	
   	
  (-­‐)0.383***	
   	
  -­‐0.168***	
  
	
  	
   (0.0407)	
   	
  (0.0188)	
  	
   (0.0178)	
  	
   (0.00749)	
  
Protective	
  service	
  occupations	
   	
  0.0977***	
  	
   0.150***	
  	
   (-­‐)0.103***	
   (-­‐)0.0261**	
  
	
  	
   (0.0241)	
  	
   (0.0255)	
   	
  (0.00752)	
  	
   (0.0123)	
  
Serv.	
  occp.	
  except	
  prot.&	
  hhold	
   	
  (-­‐)0.316***	
   (-­‐)0.0951***	
   	
  (-­‐)0.355***	
   	
  (-­‐)0.200***	
  
	
  	
   (0.0201)	
  	
   (0.0154)	
  	
   (0.00568)	
  	
   (0.00533)	
  
Admin.	
  support	
  occ.&	
  clerical	
  	
   (-­‐)0.0759***	
  	
   0.148***	
   (-­‐)0.233***	
  	
   (-­‐)0.0147***	
  
	
  	
   (0.0188)	
  	
   (0.0139)	
  	
   (0.00510)	
  	
   (0.00425)	
  
Farming,	
  forestry	
  &	
   shing	
  	
   (-­‐)0.259***	
   	
  (-­‐)0.105	
  	
   (-­‐)0.154***	
   	
  (-­‐)0.319***	
  
	
  	
   (0.0682)	
  	
   (0.109)	
   	
  (0.0136)	
   	
  (0.0228)	
  
Precision	
  prod.,	
  craft	
  &	
  rep.	
   	
  0.0115	
   	
  0.106**	
  	
   (-­‐)0.107***	
   	
  (-­‐)6.60e-­‐06	
  
	
  	
   (0.0210)	
   	
  (0.0424)	
   	
  (0.00470)	
   	
  (0.0139)	
  
Machine	
  op.,	
  ass.	
  &	
  insp.	
  	
   (-­‐)0.122***	
   	
  (-­‐)0.0564***	
  	
   (-­‐)0.221***	
   	
  (-­‐)0.195***	
  
	
  	
   (0.0218)	
   	
  (0.0218)	
  	
   (0.00528)	
   	
  (0.00732)	
  
Transportations	
  &	
  mat.	
  mov.occ.	
   	
  (-­‐)0.205***	
   	
  (-­‐)0.0257	
   	
  (-­‐)0.318***	
  	
   (-­‐)0.190***	
  
	
  	
   (0.0187)	
  	
   (0.0231)	
   	
  (0.00495)	
  	
   (0.00866)	
  
Di-­‐culty	
  working	
  	
   (-­‐)0.352***	
  	
   (-­‐)0.200***	
  	
   (-­‐)0.284***	
  	
   (-­‐)0.280***	
  
	
  	
   (0.0285)	
  	
   (0.0231)	
  	
   (0.00853)	
  	
   (0.00880)	
  
Part-­‐time	
  working	
  	
   (-­‐)0.368***	
   	
  (-­‐)0.341***	
  	
   (-­‐)0.353***	
  	
   (-­‐)0.297***	
  
	
  	
   (0.0119)	
  	
   (0.00859)	
   	
  (0.00353)	
  	
   (0.00255)	
  
Immigrant	
  	
   (-­‐)0.0350***	
   	
  0.0145	
   	
  (-­‐)0.0512***	
   	
  (-­‐)0.0510***	
  
	
  	
   (0.0120)	
  	
   (0.0109)	
   	
  (0.00395)	
  	
   (0.00459)	
  
Married,	
  spouse	
  present	
  	
   0.264***	
   	
  0.0812***	
  	
   0.284***	
   	
  0.0863***	
  
	
  	
   (0.0104)	
   	
  (0.00851)	
  	
   (0.00305)	
   	
  (0.00328)	
  
Married,	
  spouse	
  absent	
   	
  (-­‐)0.0135	
   	
  (-­‐)0.000320	
  	
   0.0486***	
  	
   (-­‐)0.00890	
  
	
  	
   (0.0235)	
   	
  (0.0205)	
  	
   (0.00825)	
   	
  (0.00985)	
  
Widowed	
  	
   0.0922**	
  	
   0.0470**	
  	
   0.187***	
  	
   0.0599***	
  
	
  	
   (0.0386)	
  	
   (0.0183)	
   	
  (0.0117)	
   	
  (0.00694)	
  
Divorced	
   	
  0.100***	
   	
  0.0418***	
  	
   0.114***	
  	
   0.0620***	
  
 	
   (0.0153)	
   	
  (0.0106)	
  	
   (0.00443)	
  	
   (0.00421)	
  
Separated	
   	
  0.0894***	
  	
   0.00744	
  	
   0.101***	
  	
   (-­‐)0.0410***	
  
	
  	
   (0.0215)	
  	
   (0.0148)	
   	
  (0.00936)	
  	
   (0.00822)	
  
NorthEastern	
  Regions	
  	
   0.149***	
   	
  0.203***	
  	
   0.112***	
  	
   0.138***	
  
	
  	
   (0.0113)	
  	
   (0.00922)	
   	
  (0.00289)	
  	
   (0.00300)	
  
Northern	
  Central	
  Regions	
  	
   (-­‐)0.00878	
   	
  0.0641***	
  	
   0.00410	
   	
  0.0169***	
  
	
  	
   (0.0112)	
  	
   (0.00908)	
  	
   (0.00264)	
   	
  (0.00274)	
  
Western	
  Regions	
  	
   0.112***	
   	
  0.170***	
  	
   0.102***	
  	
   0.123***	
  
	
  	
   (0.0128)	
  	
   (0.0116)	
  	
   (0.00279)	
   	
  (0.00299)	
  
Child	
  born	
  within	
  the	
  12	
  past	
  
months	
  	
   (-­‐	
  -­‐	
  -­‐	
  -­‐)	
   0.110***	
  	
   (-­‐	
  -­‐	
  -­‐	
  -­‐)	
   	
  0.0355***	
  
	
  	
   	
  	
   (0.0180)	
   	
  	
   	
  (0.00692)	
  
Constant	
   	
  1.082***	
   	
  0.796***	
  	
   1.162***	
   	
  0.772***	
  
	
  	
   (0.0569)	
  	
   (0.0587)	
  	
   (0.0151)	
  	
   (0.0195)	
  
Observations	
   47446	
   58221	
   524096	
   466966	
  
R-­‐squared	
  	
   0.331	
  	
   0.357	
   	
  0.409	
  	
   0.365	
  
Standard	
  errors	
  in	
  parentheses	
  ***	
  p<0.01,	
  **	
  p<0.05,	
  *	
  p<0.1	
  
Les résultats de la régression en ne prenant en compte que les caractéristiques personnelles des
individus vont dans le même sens que ceux observés dans la première partie. L'expérience a un
effet positif et significatif sur les salaires des blancs et des noirs. Le nombre d'années d'éducation
a un effet plus élevé sur le salaire des femmes blanches. Le faite de travailler pour le
gouvernement a un effet négatif sur le salaire des personnes de races blanches
Comme dans la première régression avoir des difficultés pour travailler influe aussi négativement
sur le salaire comme attendu sauf pour les femmes de race blanches. Les immigrants ont en
moyenne un salaire moindre que les autres, de même que les personnes habitants dans les régions
du Centre-Nord.
variables	
  
	
  	
   black	
   white	
  
	
  	
   HOMMES	
  	
   FEMMES	
  	
   HOMMES	
  	
   FEMMES	
  W	
  
Years	
  of	
  education	
  	
   .010*	
   	
  .024***	
   	
  .056***	
   .085***	
  
	
  	
   (0.090)	
   (0.001)	
   (0.000)	
   (0.000)	
  
Experience	
   .061***	
   .062***	
   	
  	
  .078***	
   	
  .058***	
  
	
  	
   (0.000)	
   (0.000)	
   (0.000)	
   (0.000)	
  
MARRIED	
   .273***	
   	
  .0769***	
   	
  .301***	
   .061***	
  
	
  	
   (0.000)	
   (0.000)	
   (0.000)	
   (0.000)	
  
Private	
  Pro t	
  employees	
   .126***	
   .269***	
   	
  .078***	
   	
  .113***	
  
	
  	
   (0.000)	
   (0.000)	
   (0.000)	
   (0.000)	
  
Private	
  Non-­‐pro t	
  employees	
  	
   	
  .030	
   	
  .291***	
   	
  -­‐.184***	
   	
  .110**	
  
	
  	
   (0.658)	
   (0.000)	
   (0.000)	
   (0.0325)	
  
Government	
  employees	
   .160*	
   	
  .348***	
   	
  -­‐.007***	
   	
  	
  -­‐.073***	
  
	
  	
   (0.083)	
   (0.131)	
   (0.000)	
   (0.000)	
  
Immigrant	
  	
   (-­‐).053***	
   	
  .005***	
   	
  -­‐.053***	
   	
  -­‐.424***	
  
	
  	
   (0.000)	
   (0.000)	
   (0.000)	
   (0.000)	
  
Diffculty	
  working	
  	
   (-­‐).506***	
   	
  -­‐.297***	
   (-­‐).478***	
   	
  .100***	
  
	
  	
   (0.000)	
   (0.000)	
   (0.000)	
   (0.000)	
  
NorthEastern	
   	
  .155**	
   	
  .209***	
   	
  .084***	
   	
  -­‐.015***	
  
	
  	
   (0.01)	
   (0.000)	
   (0.000)	
   (0.000)	
  
Northern	
   	
  (-­‐).028***	
   .0526***	
   (-­‐).026***	
   	
  .099***	
  
	
  	
   (0.000)	
   (0.000)	
   (0.000)	
   (0.000)	
  
Western	
   .135***	
   .188***	
   	
  .075	
  ***	
   	
  .076***	
  
	
  	
   (0.000)	
   (0.000)	
   (0.000)	
   (0.000)	
  
contante	
   .527	
   .128	
   .478	
   .397	
  
	
  	
   (0.000)	
   (0.032)	
   (0.000)	
   (0.000)	
  
R-­‐squared	
  	
   0.309	
  	
   0.277	
   	
  0.348	
  	
   0.321	
  
Standard	
  errors	
  in	
  parentheses	
  ***	
  p<0.01,	
  **	
  p<0.05,	
  *	
  p<0.1	
  
Les résultats de la régression quantile à la médiane en ne prenant en compte que les
caractéristiques personnelles des individus sont tous différents des résultats obtenu par MCO à la
moyenne. En plus les résultats sont moins significatifs et R-squared est plus bas que dans les cas
précédent. Comme dans les cas précédent le faite d’avoir de la difficulté à travailler et être
immigrant a un effet négatif sur le salaire. L'expérience et l’éducation ont un effet positif et
significatif sur les salaires des blancs et des noirs.
Q50	
   HOMME	
  B	
   FEMME	
  B	
   HOMME	
  W	
   FEMME	
  W	
  
edu	
   .122***	
   .145***	
   	
  .131***	
   .143***	
  
	
  	
   (0.000)	
   (0.000)	
   (0.000)	
   (0.000)	
  
POTEXP	
   .0141***	
   .013***	
   	
  .0174***	
   	
  .013***	
  
	
  	
   (0.000)	
   (0.000)	
   (0.234)	
   (0.000)	
  
MARRIED	
   .259***	
   .106***	
   .538***	
   .223***	
  
	
  	
   (0.000)	
   (0.000)	
   (0.000)	
   (0.000)	
  
PRIVP	
   .126***	
   (-­‐).011***	
   .059***	
   	
  .059	
  ***	
  
	
  	
   (0.000)	
   (0.000)	
   (0.000)	
   (0.000)	
  
GOVEMP	
   .218***	
   .082***	
   	
  -­‐.223	
  ***	
   .023***	
  
	
  	
   (0.000)	
   (0.000)	
   (0.000)	
   (0.043)	
  
SE	
   .034***	
   (-­‐).175***	
   	
  -­‐.005***	
   	
  -­‐.052***	
  
	
  	
   (0.073)	
   (0.000)	
   (0.000)	
   (0.000)	
  
IMMIGRATION	
   (-­‐).050***	
   .018***	
   	
  -­‐.033	
  ***	
   	
  -­‐.046***	
  
	
  	
   (0.034)	
   (0.000)	
   (0.000)	
   (0.078)	
  
DWRKP	
   (-­‐).430***	
   (-­‐).260***	
   (-­‐).466***	
   	
  -­‐.349***	
  
	
  	
   (0.483)	
   (0.005)	
   (0.000)	
   (0.035)	
  
NORTHEAST	
   .112***	
   .594***	
   	
  .338***	
   .218***	
  
	
  	
   (0.930)	
   (0.031)	
   (0.005)	
   (0.000)	
  
NORTCENTRAL	
  	
   (-­‐).043***	
   .044***	
   .238***	
   .341***	
  
	
  	
   (0.544)	
   (0.008)	
   (0.000)	
   (0.000)	
  
WEST	
  	
   .079***	
   .564***	
   	
  .333***	
   .234***	
  
	
  	
   (0.955)	
   (0.000)	
   (0.000)	
   (0.000)	
  
SOUTH	
   .064***	
   .358***	
   	
  .250***	
   (-­‐).002***	
  
	
  	
   (0.168)	
   (0.074)	
   (0.000)	
   (0.000)	
  
cons	
   (-­‐).233***	
   (-­‐).274***	
   .289***	
   (-­‐).301***	
  
	
  	
   (0.483)	
   (0.216)	
   (0.668)	
   (0.534)	
  
R-­‐squared	
  	
   0.1390	
   0.1511	
   	
  0.1266	
   0.1420	
  
Standard	
  errors	
  in	
  parentheses	
  ***	
  p<0.01,	
  **	
  p<0.05,	
  *	
  p<0.1	
  
2. Écart salarial et discrimination
Le salaire moyen (en logarithme) des hommes blancs est de 2.77 alors qu'il est de 2.47 pour les
femmes blanches; celui des hommes noirs par contre prend la valeur de 2.42 comparé à 2.34 pour
les femmes noires. Ceci vient supposer l'existence de différences salariales et qui, calculées en
termes bruts sont (en logarithme) de .0837 pour les noirs et de .3033 pour les blancs. L’écart est
beaucoup plus prononcé chez les blancs que chez les noirs. Ces résultats sont différents de ceux
obtenus par Oaxaca qui trouvait des différences salariales assez proches (.4307 pour les blancs et
.3989 pour les noirs). Cependant, ces résultats vont dans le même sens, confirmant qu'il y a moins
de différences salariales entre hommes et femmes chez les travailleurs noirs que chez les
travailleurs blancs. La comparaison des écarts salariaux obtenus dans ce travail avec ceux
d'Oaxaca pourrait nous amener à conclure qu'il y a un effort qui a été fait dans le sens de la
réduction de l'écart salarial entres hommes et femmes, toutes races confondues, mais qu'il y a
encore du travail à faire du côté des blancs où l'écart salarial est assez soutenu. Rajoutons qu'à
titre indicatif, le salaire moyen (en logarithme) de toute la population blanche de notre échantillon
est de 2.63 et est supérieur de .26 à celui des noirs présents dans notre échantillon.
Suivant la méthodologie d'Oaxaca, l'écart salarial dû à la discrimination est obtenu après
soustraction des différences dans les caractéristiques individuelles moyennes entre les hommes et
les femmes pour chaque groupe. En moyenne la discrimination pure en termes logarithmique est
en moyenne de .28 chez les blancs et de .12 chez les noirs. Le différentiel salarial qui est du
caractéristique est en moyenne de -.006 chez les blancs et de -.0563 chez les noirs.
La figure 1 et 2, nous donne les déterminants de l’écart salarial à tous les nouveaux. Ainsi on peut
observer, que sur toute la distribution du salaire, c’est la discrimination pure qui est la source de
du différentiel salarial par genre. C’est résultats vont dans le même sens que la théorie de la
discrimination sur la base des préférences de Becker qui stipule que les préjugés sur les membres
d’un certain groupe ont un effet négatif sur leur situation sur le marché du travail
0.2.4.6
Logwageeffects
0 .2 .4 .6 .8 1
Quantile
Total differential Effects of characteristics
Effects of coefficients
Decomposition of differences in distribution
Conclusion
La décomposition de Oaxaca a permis d'estimer les différences attribuables aux caractéristiques
des individus, et à la discrimination. On a pu déterminer l’impact de la discrimination par genre
sur le salaire des femmes. Ainsi les femmes doivent travailler plus que les hommes pour avoir le
même salaire que ces derniers puisqu’elle font fasse à une discrimination pure sur le marché du
travail. La méthodologie utilisée a été critiquée par l'auteur lui même qui soutient que l'approche
d'estimation de la discrimination ne prend pas en compte les différences dans les structures
salariales des individus qui ne sont pas attribuables à la discrimination. Ceci est motivé par le fait
que les différences d'investissement entre hommes et femmes par exemple peuvent refléter des
différences dans les salaires de ces deux groupes et ceci ne constitue pas en soi une
discrimination entre hommes et femmes. Une extension de notre étude à une décomposition
quantile non paramétrique pourrait s’avérer meilleur car les R-carré de la régression quantile sont
très bas.
-.3-.2-.10.1.2
Logwageeffects
0 .2 .4 .6 .8 1
Quantile
Total differential Effects of characteristics
Effects of coefficients
Decomposition of differences in distribution
REFERENCES
• Aigner, D., et Cain, G. 1977 Statistical Theories of Discrimination in the Labor Market,
Industrial and Labor Relations Review, 175-187.
• Altonji,J. G. et Pierret,C. R. 2001. Employer Learning and Statistical Discrimination, The
Quarterly Journal of Economics.
• Bauer, T. et Sinning, M. 2005 Blinder-Oaxaca Decomposition for Tobit Models, Applied
Economics, 2010, 42(12), 1569-1575
• Becker,G. S. 1957 The Economics of Discrimination Chicago : The University of
Chicago Press.
• Cahuc, P. et Zylberberg A. 2004 Labour Economics, MIT Press
• Charles K. K, et Guryan, J. 2008 Prejudice and Wages : An Empirical Assessment of
Becker's The Economics of Discrimination, Journal of Politital Economy, vol 116, no 5
.16
• Coate, S. et Loury, G. 1993, Will A_rmative Action Policies eliminate Negative
Stereotypes?, American Economic Review, LXXXIII, 1220-1240.
• Fairlie, R. W. 2005 An Extension of the Blinder-Oaxaca Decomposition Technique to
Logit and Probit Models, Journal of Economic and Social Measurement, 305-316.
• Gneezy, U. 2003 Performance in Competitive Environment : Gender Di_erences, The
Quarterly Journal of Economics.
• Oaxaca,R. 1973. Male-Female Wage Differentials in Urban Labor Markets, International
Economic Review, Vol. 14, No. 3, 693-709.
• Szymanski, S. 2000 A Market Test for discrimination in the English Professional Soccer
Leagues, Journal of Political Economy, vol 108, no 3.
• Mathias Sinning, Canberra, Australia. The Blinder–Oaxaca decomposition for nonlinear
regression models, The Stata Journal (2008) 8, Number 4, pp. 480–492

Contenu connexe

En vedette

software educativo
software educativosoftware educativo
software educativonoeelito
 
Politiques d’économie circulaire et villes durables en Chine
Politiques d’économie circulaire  et villes durables en Chine Politiques d’économie circulaire  et villes durables en Chine
Politiques d’économie circulaire et villes durables en Chine BenBzh
 
Hipervinculo 1°em
Hipervinculo 1°emHipervinculo 1°em
Hipervinculo 1°emVictor Cruz
 
Què es un Virus informatico
Què es un Virus informaticoQuè es un Virus informatico
Què es un Virus informaticoJesus Petro
 
Trabajosobrelapaz 110407055740-phpapp01
Trabajosobrelapaz 110407055740-phpapp01Trabajosobrelapaz 110407055740-phpapp01
Trabajosobrelapaz 110407055740-phpapp01Erick Caro Gutierrez
 
Concepto general de mantenimiento
Concepto general de mantenimientoConcepto general de mantenimiento
Concepto general de mantenimientomuneracarolina
 
lo mejor de bogota
lo mejor de bogota lo mejor de bogota
lo mejor de bogota michu80
 
aprendizaje y pensamiento crítico
aprendizaje y pensamiento críticoaprendizaje y pensamiento crítico
aprendizaje y pensamiento críticoJesús Nava
 

En vedette (17)

Didácticas contemporáneas (1)
Didácticas contemporáneas (1)Didácticas contemporáneas (1)
Didácticas contemporáneas (1)
 
Smart art
Smart artSmart art
Smart art
 
Negocios electronicos
Negocios electronicosNegocios electronicos
Negocios electronicos
 
Mitocondria
MitocondriaMitocondria
Mitocondria
 
software educativo
software educativosoftware educativo
software educativo
 
Politiques d’économie circulaire et villes durables en Chine
Politiques d’économie circulaire  et villes durables en Chine Politiques d’économie circulaire  et villes durables en Chine
Politiques d’économie circulaire et villes durables en Chine
 
Fanny escalante
Fanny escalanteFanny escalante
Fanny escalante
 
Siglo xxi
Siglo xxi Siglo xxi
Siglo xxi
 
Olla GM D
Olla GM D
Olla GM D
Olla GM D
 
TICS
TICSTICS
TICS
 
Hipervinculo 1°em
Hipervinculo 1°emHipervinculo 1°em
Hipervinculo 1°em
 
La influencia de las redes.
La influencia de las redes.La influencia de las redes.
La influencia de las redes.
 
Què es un Virus informatico
Què es un Virus informaticoQuè es un Virus informatico
Què es un Virus informatico
 
Trabajosobrelapaz 110407055740-phpapp01
Trabajosobrelapaz 110407055740-phpapp01Trabajosobrelapaz 110407055740-phpapp01
Trabajosobrelapaz 110407055740-phpapp01
 
Concepto general de mantenimiento
Concepto general de mantenimientoConcepto general de mantenimiento
Concepto general de mantenimiento
 
lo mejor de bogota
lo mejor de bogota lo mejor de bogota
lo mejor de bogota
 
aprendizaje y pensamiento crítico
aprendizaje y pensamiento críticoaprendizaje y pensamiento crítico
aprendizaje y pensamiento crítico
 

Ul ecn7520 2013_bouda_essai

  • 1. Cours : Séminaire d’économetrie Hiver 2013 Professeur : Carlos Ordás Criado Étudiante : Bouda Wendpouiré Adèle Les déterminants des écarts salariaux hommes-femmes aux USA: approche linéaire et quantile Résumé Le présent travail est une application empirique de la méthode de Oaxaca (1973) à partir d'une base récente de données américaines (PUMS 2006). Des résultats confirmant pour la plupart les résultats de Oaxaca ont été obtenus. Les tests de Chow effectués confirment les différences dans les structures salariales. La régression quantile appliqué à la méthode d’Oaxaca a permis d’obtenir la distribution de l’écart salarial et de ses determinants. Les résultats confirment la présence de discrimination au sein des différents groupes démographiques considérés, mais à des degrés variés. La discrimination entre hommes et femmes semble plus affecter le groupe des blancs que celui des noirs de notre échantillon. Aussi existe t-il une discrimination entre noirs et blancs et les résultats d'Oaxaca sont confirmés à plusieurs niveaux. Mots-clés: Oaxaca, décomposition, discrimination, wage gap
  • 2. Introduction Depuis Becker (1957), la discrimination sur le marché du travail a suscité un intérêt particulier chez les économistes et plusieurs travaux, tant théoriques qu'empiriques ont été réalisés dans ce domaine. L'étude de la discrimination sur le marché du travail utilise des comparaisons à plusieurs niveaux avec la considération de groupes de différentes sortes. Des études de la discrimination entre groupes tels que hommes-femmes, les groupes ethniques ou raciaux, ainsi qu'entre différentes sortes de caractéristiques des groupes ont été réalisées. Les groupes utilisés pour la comparaison varient d'un auteur à l'autre. C'est ainsi que auteurs comme Coate et Loury (1993), Arrow (1998), Aigner et Cain (1977), Szymanski (2000), Charles et Guryan (2008) se sont intéressés à la discrimination entre les races (Blancs et Noirs) alors que d'autres comme Becker (1985), Gneezy et al (2003), Oaxaca (1973) ont analysé la discrimination selon le genre (Hommes-Femmes). Les résultats de ces auteurs vont en général dans le sens des observations en confirmant l'existence de discrimination entre différents groupes démographiques. Une autre sorte de discrimination a également été prise en compte dans la littérature, en l'espèce la discrimination statistique. Des auteurs tels que Altonji et Pierret (2001) ont fait des études sur cette sorte de discrimination Le présent travail, est une application empirique de la décomposition salariale par la méthode de Oaxaca (1957) sur deux principaux groupes démographiques. A l'aide de données de l'enquête américaine Public Use Microdata Sample effectuée en 2006 et dans l'esprit du papier d'Oaxaca, nous avons essayé d'appréhender la discrimination faite aux femmes de race blanche d'une part, et celle faite aux femmes noires d'autre part. La motivation de ce papier se situe dans l'application de la méthode de Oaxaca dans l'esprit d’identifier les déterminants des écarts salariaux hommes- femmes aux USA. L'innovation de ce papier réside dans l'extension de notre étude à l'étude de la discrimination entre hommes et femmes sur toute la distribution du revenu et dans la comparaison de nos résultats avec ceux de la littérature. La distribution du revenu conditionnel a été estimée par une régression quantile. Nos résultats indiquent la présence de discrimination pure dans les groupes que nous considérons. Celle-ci est de .28 chez les blancs contre .12 pour les noirs, suggérant un
  • 3. écart salarial entre hommes et femmes plus élevé chez les blancs que chez les noirs. Le papier, bien que confirmant la présence de discrimination allant dans le sens de Oaxaca, présente certaines différences avec celui-ci, notamment une baisse de la discrimination dans les différents groupes a été observée, ce qui est probablement dû à l'évolution des mentalités par rapport aux années 60'. L'introduction et l'application des lois anti-discrimination pourraient aussi être sous- jacentes à cette évolution. Ce travail s'articule autour de trois principales sections. La première section présente un bref aperçu de la théorie qui sous-tend la décomposition salariale à la Oaxaca. La deuxième section présente les modèles à estimer, et la section 3 présente les résultats obtenus et la section 4 conclut. A. . Méthodologie Ce qui suit s'inspire des travaux de Oaxaca, 1975 publié dans International Economic Review. Ce dernier a formalisé et estimé la discrimination homme-femme sur le marché du travail urbain aux États-Unis. Il faut noter qu'ici la discrimination est faite contre les femmes et cela est observable aux niveaux des salaires pratiqués sur le marché du travail. 1. Mesure de la discrimination: Décomposition de Oaxaca Selon Oaxaca 1975, il y a discrimination contre les femmes lorsque le différentiel de salaire entre hommes et femmes est en faveur des hommes. Dans son papier, il appréhende la discrimination à travers le coefficient D suivant : 𝐷 = !! !! ! !! !! ° !! !! ° (1) Avec !! !! le salaire relatif des hommes par rapport à celui des femmes et !! !! ° le salaire relatif des hommes en absence de discrimination. L'objectif est d'estimer le coefficient D. Cependant dans l'équation (1), seul !! !! est observé. Pour l'estimation du ratio !! !! ° Oaxaca utilise l'hypothèse selon laquelle en absence de discrimination la structure salariale des hommes et des
  • 4. femmes est la même. Cette hypothèse impose d'utiliser, pour l'estimation de !! !! ° , successivement la structure salariale des femmes et celle des hommes. L'équation de salaire des deux groupes (homme et femme) va être utilisée comme dans Oaxaca (1973) afin d'estimer cette structure salariale : ln 𝑊! = 𝑍! !  𝛽 +   𝑢! (2) Avec : Wi : le taux de salaire horaire du travailleur i, 𝑍! !  : un vecteur des caractéristiques individuelles du travailleur i, 𝛽 :un vecteur de coefficients, 𝑢! : un terme d'erreur. Après estimation des équations de salaires, on récupère les coefficients estimés, ainsi que les valeurs moyennes des variables explicatives et dépendantes. Donc après estimation par moindre carré ordinaire : ln 𝑊! = 𝑍! !  𝛽! (3) ln 𝑊! = 𝑍! !  𝛽! (4) 𝑍! ! et 𝛽! avec j = m; f sont respectivement les vecteurs moyens des regresseurs et les vecteurs coefficients estimés. Cette formulation de l'équation salariale (variable dépendante en logarithme) impose une réécriture de la formule du coefficient de discrimination. ln  (𝐷 + 1) = ln !! !! − 𝑙𝑛 !! !! ° (6)
  • 5. Aussi, Oaxaca montre que sous l'hypothèse que les hommes et les femmes ont le même traitement salarial en absence de discrimination, le différentiel salarial peut se décomposer en deux effets: • Celui de la discrimination faite aux femmes • Celui des différences de caractéristiques entre individus. ln !! !! = 𝑍! ! (𝛽! −   𝛽!)…………………………………(7) 𝑙𝑛 !! !! ° = 𝛽!(𝑍! ! −   𝑍! ! )…………………………………(8) L'équation (7) donne l'effet estimé des différences de caractéristiques entre individus et l'équation (8) l'effet estimé de la discrimination faite aux femmes. Dans le cas où ce sont les salaires de hommes qui servent de référence, alors la décomposition est la suivante: ln !! !! = 𝑍! ! (𝛽! −   𝛽!)…………………………………..(9) ln !! !! ° = (𝑍! ! −   𝑍! ! )𝛽!) …………………………………(10) ln 𝑊! − ln 𝑊! = 𝑍! ! (𝛽! −   𝛽!)- (𝑍! ! −   𝑍! ! )𝛽!…………(11) 2. . Décomposition de Oaxaca : Extensions La littérature dans le domaine s'est beaucoup inspirée des travaux de Oaxaca et il existe bon nombre de papiers proposant des extensions basées sur la décomposition de Oaxaca. Fairlie (2005) par exemple propose une approche à choix discret de la décomposition de Oaxaca, donc où la variable dépendante est un ensemble discret. Il introduit une technique de décomposition à la Oaxaca basée sur des modèles probit et logit et l'utilise pour estimer les causes de différences entre races dans la possession d'ordinateurs. Bauer et Sinning (2010) par ailleurs proposent une méthode de décomposition basée sur Oaxaca pour les modèles tobit et l'appliquent à l'estimation des différences salariales basées sur le genre sur données allemandes. Aussi Koenker and Basset
  • 6. (1978) ont utilisé la régression quantile pour déterminer l’impact des variables sur toute la distribution du revenu. Ils étendent la méthode de décomposition d’Oaxaca et de blinder de la moyenne à tout les niveaux de revenue. Leur modèle était basé sur une estimation de la distribution conditionnelle par régression quantile. Cela leur a permit d’observer l’effet « glass ceilling », c’est à dire que l’écart est plus prononcé pour les plus hauts revenus. Le présent papier se place dans le cadre le plus simple de la décomposition d'Oaxaca afin d'estimer les déterminants des différences salariales entre différents sous-groupes: d'une part entre hommes-femmes blanc, et d'autres part entre hommes-femmes noirs. On utilise également l’Extension de Koenker and Basset afin d’obtenir la décomposition de l’écart salariale sur toute a distribution du revenu. B. . Estimation 1. . Données Le présent travail utilise les micro-données américaines appelées American Community Survey (ACS): Public Use Microdata Sample (PUMS) collectées en 2006 par le Bureau du Recensement du département de commerce américain. Les données publiées par ACS sont de caractère social, économique et contiennent aussi des informations sur le logement. L'enquête est réalisée sur tout le territoire des États-Unis et Porto-Rico. La base de données contient 2 969741 individus. Le sous-échantillon d'intérêt est constitué des travailleurs1 de 16 ans ou plus de race noire ou blanche Le salaire horaire moyen observé des hommes est plus grand que celui des femmes dans les deux races. Le ratio homme-femme de salaire moyen est légèrement plus grand chez les blancs que chez les noirs
  • 7. 2. . Spécification du modèle • Variables explicatives À l'instar de Oaxaca (1975), une estimation des équations de salaires pour les hommes et les femmes par race a été réalisée. Dans ses travaux, Oaxaca a utilisé les données de 1967. On se propose de revisiter ses résultats en utilisant une base de données plus récentes. La méthode de sélection des variables de contrôle est la suivante: • Une variable proxy pour l'expérience a été construite nommée "expérience potentielle" en retranchant de l'âge du travailleur, son nombre d'années d'éducation et 6 ans1 . Une hypothèse implicite ici est que les individus travaillent directement après avoir complété leurs études et que ces derniers commencent à étudier à partir de l'âge de 6 ans. L'expérience au carré est également introduite dans toutes les régressions. La variable éducation qui représente le nombre d'année d'éducation a été construite (car absente de la base) en utilisant le plus haut diplôme obtenu (en effet il suffit de remplacer le plus haut diplôme obtenu par le nombre d'année moyen pour l'obtenir). Il convient de souligner que cette variable ainsi créée est un proxy car il y a des redoublements et les études ne se font pas toujours de façon linéaire. Une forme quadratique de la variable explicative éducation a également été introduite. Les autres variables explicatives sont des variables binaires. • Le type du travailleur (class of worker) est une variable catégorielle. Des "dummies" ont été construites pour chacune des catégories: travailleur dans "une entreprise à but lucratif", dans une "entreprise à but non lucratif", "travailleur du gouvernement" et "travailleur indépendant" (SELF EMPLOYED). Cette dernière modalité est la référence • On contrôle aussi pour la difficulté de travailler avec la variable difficulty working = 1 si l'individu déclare avoir des difficultés pour travailler. • Immigration est une variable qui vaut 1 si l'individu est un immigrant zéro sinon. • Le statut marital du travailleur est pris en compte • Pour ce qui est de la région, nous construisons 4 dummies: NORTHEAST, NORTHCENTRAL, WEST et SOUTH (référence). 1 Cette méthode a égalemnt été utilisée dans Oaxaca (1973) et Akonji et pierret (2001)
  • 8. Il faut noter que le problème de données manquantes n'a pas eu à être traité car pour les variables considérées, il n'y en avait pas. Un échantillon de 10000 individus a été tiré de façon aléatoire pour effectuer les régressions linéaires et quantiles. Les valeurs quelques valeurs aberrantes (telle que les revenus très élevés ont été gardées pour observer « glass ceilling ». Il faut également souligner qu’Oaxaca avait ajouté d’autres variables. Notamment : • La variable du secteur d'activité est "industry" avec 18 modalités transformées en variables binaires dont la modalité de référence est "vendeur détaillant" soit RETAIL. • Quant au statut d'occupation, les modalités ont été regroupées selon la nomenclature de l'occupation à deux positions du U.S Census Bureau. On a ainsi pu créer 11 dummies avec comme reférence "Sales occupations" • Part-time est une variable qui vaut 1 si l'individu travailleà temps partiel et zéro sinon. De même que la variable immigration, qui indique que si le travailleur est immigrant ou non • Enfin pour l'équation de salaire des femmes, la variable "Child born within the 12 past months" a été ajoutée et vaut 1 si la femme s'occupe d'un enfant d'au plus un an et zéro sinon. La régression linéaire ont d’abords effectuée avec toutes les variables qu’Oaxaca, puis avec les variables cité en première partie afin d’effectuer la régression quantile. 3. Stratégie d'estimation Comme il a été mentionné auparavant, deux séries de régressions ont été effectuées, la première qui examine la discrimination homme-femme blanche puis homme-femme noire. Dans chacun des cas, une décomposition du différentiel salarial entre les groupes a été faite en considérant toutes les variables explicatives citées dans un premier temps puis les autres variables. Comme indiqué en haut, une estimation des équations de salaires a été faite dans un premier temps. Et selon les équations (7) et (9), il n'y a pas de discrimination (D = 0) lorsque les structures salariales sont les mêmes. Il faut donc se rassurer que la structure des salaires homme- femme blanc-noir est différente en faisant un test de Chow. Considérons l'équation de salaire (2) pour deux sous échantillons (S1) et (S2) pour lesquels les coefficients ne sont pas nécessairement les mêmes on a:
  • 9. ln 𝑊! = 𝑍! !  𝛽! + 𝑢!                            𝑖 ∈ (𝑆1) ln 𝑊! = 𝑍! !  𝛽! + 𝑢!                                    𝑖 ∈ (𝑆2) Le test de Chow permet de tester l'égalité des coefficients, l'hypothèse nulle du test étant H0 : 𝛽! = 𝛽!, soit les deux groupes ont la même structure salariale et dans ce cas pas de discrimination. Les résultats des tests sont consignés dans le tableau qui suit: L'égalité des coefficients a donc été rejetée comme le montre ce tableau. Par conséquent, nous pouvons appliquer la décomposition de l'écart de salaire comme dans Oaxaca. C. Résultats - Interprétation Cette section présente les résultats de nos régressions linéaires (puis les régressions quantile à la médiane) suivant nos premières et deuxièmes spécifications. La dernière considère comme variables de contrôle les caractéristiques personnelles des individus. Alors que la première consiste à une régression en suivant la notation d'Oaxaca. La motivation associée à la deuxième spécification est d'éliminer le biais associé à l'estimation de la discrimination qui est dû à l'inclusion des variables représentant l'occupation, l'industrie et la classe de travailleurs à laquelle appartient l'individu et aussi et surtout pour réaliser la décomposition à tout les niveau de revenu. La deuxième partie consistera à l'évaluation de l'écart salarial et de la part de cet écart dû à la discrimination pure en suivant la méthodologie d'Oaxaca qui, rappelons-le, constitue le cadre de notre étude.
  • 10. 1. . Résultats-Régressions Les tables 1 et 2 présentent les résultats de nos régressions associées à nos deux spécifications. La table 1 qui présente les résultats de la régression incluant toutes les variables d’Oaxaca alors que la table 2 présente ceux de la régression avec les caractéristiques personnelles des individus. Les résultats montrent que l'expérience joue positivement et significativement sur les salaires des blancs et des noirs, alors que le nombre d'années d'éducation ne joue positivement que sur le salaire des femmes blanches à 1% de significativité. Au contraire, le nombre d'années d'éducation chez les noirs affecte négativement les salaires de ces derniers. Ceux qui travaillent pour le gouvernement gagnent en moyenne beaucoup plus que les autres classes de travailleurs. Les personnes qui travaillent dans les mines, dans le secteur des "Utilities", les manufactures, le commerce en gros, le secteur des transports, de l'informatique, de la finance, les services médicaux et l'armée gagnent en moyenne plus que les autres, alors que ceux qui sont dans les services d'aide aux personnes ont un salaire plus faible. Du côté des occupations, les blancs qui sont dans le service de protection aux personnes gagnent moins que les autres alors que les noirs de ces services ont un salaire plus élevé. Les fermiers, les pêcheurs, les inspecteurs d'usine, les transporteurs de machines ont un salaire plus faible par ailleurs. Avoir des difficultés pour travailler influe aussi négativement sur le salaire comme attendu, de même que les travailleurs à temps partiels gagnent moins que les travailleurs à temps pleins. Les immigrants ont un salaire moindre que les autres, de même que les personnes habitants dans les régions du Centre-Nord. Le fait d'être séparé, divorcé ou veuf procurent un revenu plus élevé, de même que ceux qui sont mariés et dont les époux sont présents. On observe l'effet inverse pour ceux dont l'époux n'est pas présent sauf pour les femmes blanches, ce qui suggère que les femmes noires sont plus sensibles à la présence de l'époux dans la structure de leur salaire. Par ailleurs, la femme noire ayant un enfant au bas âge a moins de revenu, contrairement à la femme blanche pour qui le revenu est plus élevé. Ainsi, l'effet des enfants sur le salaire des femmes peut dépendre de l'âge de l'enfant et du fait que celui-ci soit au bas âge ou non, ce qui nous amène à remettre en cause le résultat d'Oaxaca qui trouvait un effet négatif chez les blanches et un effet négligeable chez les femmes noires. Variables       Blacks   Whites       Male     Female    Male    Female  
  • 11. Experience    0.0447***    0.0431***    0.0474***     0.0376***       (0.00105)     (0.000871)     (0.000286)     (0.000290)   Expérience2     ()0.000648***     (-­‐ )0.000619***    (-­‐ )0.000742***     (-­‐ )0.000547***       (1.99e-­‐05)    (1.74e-­‐05)     (5.34e-­‐06)     (5.55e-­‐06)   Years  of  education     (-­‐)0.00369    (-­‐)0.0125*    0.0184***     0.0304***       (0.00705)     (0.00704)    (0.00191)     (0.00252)   Education2    0.00320***     0.00414***     0.00230***    0.00241***       (0.000267)    (0.000256)    (6.89e-­‐05)     (8.89e-­‐05)   Private  Pro t  employees    0.113***    0.149***     0.106***    0.115***       (0.0240)    (0.0282)     (0.00397)    (0.00570)   Private  Non-­‐pro t  employees     0.0650**     0.168***    (-­‐)0.0538***    0.106***       (0.0287)     (0.0296)    (0.00617)     (0.00654)   Government  employees    0.149***     0.192***    0.0487***    0.135***       (0.0270)    (0.0297)     (0.00595)    (0.00697)   Agriculture     (-­‐)0.0955     (-­‐)0.0295   (  )-­‐0.321***     -­‐0.00586       (0.0601)     (0.103)     (0.0108)    (0.0169)   Mining     0.212***     0.209*     0.269***    0.366***       (0.0650)     (0.124)     (0.0111)     (0.0265)   Construction     0.0160     0.109**    0.158***     0.290***       (0.0226)    (0.0465)    (0.00505)    (0.00893)   Utilitie    0.389***    0.412***    0.433***     0.459***       (0.0366)    (0.0481)     (0.00909)     (0.0163)   Manufacture    0.214***    0.259***     0.256***     0.335***       (0.0185)     (0.0199)    (0.00448)    (0.00568)   Wholesale    0.181***     0.215***     0.228***    0.322***       (0.0243)    (0.0305)    (0.00549)     (0.00761)   Transportation     0.308***     0.292***     0.297***     0.374***       (0.0191)     (0.0219)    (0.00577)     (0.00818)   Computer  Science     0.270***    0.269***     0.268***    0.269***       (0.0271)     (0.0230)     (0.00694)     (0.00758)   Finance    0.208***     0.258***    0.334***     0.344***       (0.0216)    (0.0166)     (0.00528)     (0.00492)   Professional  Service    0.0649***     0.124***    0.216***     0.257***       (0.0188)     (0.0171)     (0.00487)     (0.00508)   Education    (-­‐)0.0464*     (-­‐)0.0819***     (-­‐)0.0736***     (-­‐)0.0817***       (0.0240)     (0.0181)     (0.00680)    (0.00585)   Medical     0.115***     0.170***     0.301***     0.293***       (0.0226)    (0.0156)    (0.00661)    (0.00484)   Care  Service     (-­‐)0.102***     (-­‐)0.145***     (-­‐)0.0306**     -­‐0.138***       (0.0347)     (0.0192)   (0.0141)    (0.00727)   Recreation     (-­‐)0.0363*     (-­‐)0.0783***     (-­‐)0.0398***     -­‐0.0198***  
  • 12.     (0.0205)     (0.0166)     (0.00589)    (0.00551)   Service     (-­‐)0.00933    0.113***   (-­‐)0.0149**    0.0738***       (0.0247)     (0.0214)    (0.00642)    (0.00655)   Administration    0.0220     0.235***    0.255***     0.282***       (0.0246)    (0.0202)    (0.00766)     (0.00754)   Military     0.202***    0.277***     0.111***     0.248***       (0.0350)    (0.0493)    (0.0109)     (0.0258)   Ex.  adm.  &  man.  Occ    0.322***     0.425***     0.195***    0.314***       (0.0203)     (0.0161)     (0.00429)    (0.00478)                       Prof.  speciality  occupation     0.226***     0.331***    0.0836***     0.194***       (0.0199)     (0.0154)     (0.00459)    (0.00473)   Tech.  &  related  support  occup.     (-­‐)0.121***     (-­‐)0.00581    (-­‐)0.383***    -­‐0.168***       (0.0407)    (0.0188)     (0.0178)     (0.00749)   Protective  service  occupations    0.0977***     0.150***     (-­‐)0.103***   (-­‐)0.0261**       (0.0241)     (0.0255)    (0.00752)     (0.0123)   Serv.  occp.  except  prot.&  hhold    (-­‐)0.316***   (-­‐)0.0951***    (-­‐)0.355***    (-­‐)0.200***       (0.0201)     (0.0154)     (0.00568)     (0.00533)   Admin.  support  occ.&  clerical     (-­‐)0.0759***     0.148***   (-­‐)0.233***     (-­‐)0.0147***       (0.0188)     (0.0139)     (0.00510)     (0.00425)   Farming,  forestry  &   shing     (-­‐)0.259***    (-­‐)0.105     (-­‐)0.154***    (-­‐)0.319***       (0.0682)     (0.109)    (0.0136)    (0.0228)   Precision  prod.,  craft  &  rep.    0.0115    0.106**     (-­‐)0.107***    (-­‐)6.60e-­‐06       (0.0210)    (0.0424)    (0.00470)    (0.0139)   Machine  op.,  ass.  &  insp.     (-­‐)0.122***    (-­‐)0.0564***     (-­‐)0.221***    (-­‐)0.195***       (0.0218)    (0.0218)     (0.00528)    (0.00732)   Transportations  &  mat.  mov.occ.    (-­‐)0.205***    (-­‐)0.0257    (-­‐)0.318***     (-­‐)0.190***       (0.0187)     (0.0231)    (0.00495)     (0.00866)   Di-­‐culty  working     (-­‐)0.352***     (-­‐)0.200***     (-­‐)0.284***     (-­‐)0.280***       (0.0285)     (0.0231)     (0.00853)     (0.00880)   Part-­‐time  working     (-­‐)0.368***    (-­‐)0.341***     (-­‐)0.353***     (-­‐)0.297***       (0.0119)     (0.00859)    (0.00353)     (0.00255)   Immigrant     (-­‐)0.0350***    0.0145    (-­‐)0.0512***    (-­‐)0.0510***       (0.0120)     (0.0109)    (0.00395)     (0.00459)   Married,  spouse  present     0.264***    0.0812***     0.284***    0.0863***       (0.0104)    (0.00851)     (0.00305)    (0.00328)   Married,  spouse  absent    (-­‐)0.0135    (-­‐)0.000320     0.0486***     (-­‐)0.00890       (0.0235)    (0.0205)     (0.00825)    (0.00985)   Widowed     0.0922**     0.0470**     0.187***     0.0599***       (0.0386)     (0.0183)    (0.0117)    (0.00694)   Divorced    0.100***    0.0418***     0.114***     0.0620***  
  • 13.     (0.0153)    (0.0106)     (0.00443)     (0.00421)   Separated    0.0894***     0.00744     0.101***     (-­‐)0.0410***       (0.0215)     (0.0148)    (0.00936)     (0.00822)   NorthEastern  Regions     0.149***    0.203***     0.112***     0.138***       (0.0113)     (0.00922)    (0.00289)     (0.00300)   Northern  Central  Regions     (-­‐)0.00878    0.0641***     0.00410    0.0169***       (0.0112)     (0.00908)     (0.00264)    (0.00274)   Western  Regions     0.112***    0.170***     0.102***     0.123***       (0.0128)     (0.0116)     (0.00279)    (0.00299)   Child  born  within  the  12  past   months     (-­‐  -­‐  -­‐  -­‐)   0.110***     (-­‐  -­‐  -­‐  -­‐)    0.0355***           (0.0180)        (0.00692)   Constant    1.082***    0.796***     1.162***    0.772***       (0.0569)     (0.0587)     (0.0151)     (0.0195)   Observations   47446   58221   524096   466966   R-­‐squared     0.331     0.357    0.409     0.365   Standard  errors  in  parentheses  ***  p<0.01,  **  p<0.05,  *  p<0.1   Les résultats de la régression en ne prenant en compte que les caractéristiques personnelles des individus vont dans le même sens que ceux observés dans la première partie. L'expérience a un effet positif et significatif sur les salaires des blancs et des noirs. Le nombre d'années d'éducation a un effet plus élevé sur le salaire des femmes blanches. Le faite de travailler pour le gouvernement a un effet négatif sur le salaire des personnes de races blanches Comme dans la première régression avoir des difficultés pour travailler influe aussi négativement sur le salaire comme attendu sauf pour les femmes de race blanches. Les immigrants ont en moyenne un salaire moindre que les autres, de même que les personnes habitants dans les régions du Centre-Nord. variables       black   white       HOMMES     FEMMES     HOMMES     FEMMES  W   Years  of  education     .010*    .024***    .056***   .085***       (0.090)   (0.001)   (0.000)   (0.000)   Experience   .061***   .062***      .078***    .058***       (0.000)   (0.000)   (0.000)   (0.000)   MARRIED   .273***    .0769***    .301***   .061***       (0.000)   (0.000)   (0.000)   (0.000)  
  • 14. Private  Pro t  employees   .126***   .269***    .078***    .113***       (0.000)   (0.000)   (0.000)   (0.000)   Private  Non-­‐pro t  employees      .030    .291***    -­‐.184***    .110**       (0.658)   (0.000)   (0.000)   (0.0325)   Government  employees   .160*    .348***    -­‐.007***      -­‐.073***       (0.083)   (0.131)   (0.000)   (0.000)   Immigrant     (-­‐).053***    .005***    -­‐.053***    -­‐.424***       (0.000)   (0.000)   (0.000)   (0.000)   Diffculty  working     (-­‐).506***    -­‐.297***   (-­‐).478***    .100***       (0.000)   (0.000)   (0.000)   (0.000)   NorthEastern    .155**    .209***    .084***    -­‐.015***       (0.01)   (0.000)   (0.000)   (0.000)   Northern    (-­‐).028***   .0526***   (-­‐).026***    .099***       (0.000)   (0.000)   (0.000)   (0.000)   Western   .135***   .188***    .075  ***    .076***       (0.000)   (0.000)   (0.000)   (0.000)   contante   .527   .128   .478   .397       (0.000)   (0.032)   (0.000)   (0.000)   R-­‐squared     0.309     0.277    0.348     0.321   Standard  errors  in  parentheses  ***  p<0.01,  **  p<0.05,  *  p<0.1   Les résultats de la régression quantile à la médiane en ne prenant en compte que les caractéristiques personnelles des individus sont tous différents des résultats obtenu par MCO à la moyenne. En plus les résultats sont moins significatifs et R-squared est plus bas que dans les cas précédent. Comme dans les cas précédent le faite d’avoir de la difficulté à travailler et être immigrant a un effet négatif sur le salaire. L'expérience et l’éducation ont un effet positif et significatif sur les salaires des blancs et des noirs. Q50   HOMME  B   FEMME  B   HOMME  W   FEMME  W   edu   .122***   .145***    .131***   .143***       (0.000)   (0.000)   (0.000)   (0.000)   POTEXP   .0141***   .013***    .0174***    .013***       (0.000)   (0.000)   (0.234)   (0.000)   MARRIED   .259***   .106***   .538***   .223***       (0.000)   (0.000)   (0.000)   (0.000)   PRIVP   .126***   (-­‐).011***   .059***    .059  ***       (0.000)   (0.000)   (0.000)   (0.000)   GOVEMP   .218***   .082***    -­‐.223  ***   .023***       (0.000)   (0.000)   (0.000)   (0.043)  
  • 15. SE   .034***   (-­‐).175***    -­‐.005***    -­‐.052***       (0.073)   (0.000)   (0.000)   (0.000)   IMMIGRATION   (-­‐).050***   .018***    -­‐.033  ***    -­‐.046***       (0.034)   (0.000)   (0.000)   (0.078)   DWRKP   (-­‐).430***   (-­‐).260***   (-­‐).466***    -­‐.349***       (0.483)   (0.005)   (0.000)   (0.035)   NORTHEAST   .112***   .594***    .338***   .218***       (0.930)   (0.031)   (0.005)   (0.000)   NORTCENTRAL     (-­‐).043***   .044***   .238***   .341***       (0.544)   (0.008)   (0.000)   (0.000)   WEST     .079***   .564***    .333***   .234***       (0.955)   (0.000)   (0.000)   (0.000)   SOUTH   .064***   .358***    .250***   (-­‐).002***       (0.168)   (0.074)   (0.000)   (0.000)   cons   (-­‐).233***   (-­‐).274***   .289***   (-­‐).301***       (0.483)   (0.216)   (0.668)   (0.534)   R-­‐squared     0.1390   0.1511    0.1266   0.1420   Standard  errors  in  parentheses  ***  p<0.01,  **  p<0.05,  *  p<0.1   2. Écart salarial et discrimination Le salaire moyen (en logarithme) des hommes blancs est de 2.77 alors qu'il est de 2.47 pour les femmes blanches; celui des hommes noirs par contre prend la valeur de 2.42 comparé à 2.34 pour les femmes noires. Ceci vient supposer l'existence de différences salariales et qui, calculées en termes bruts sont (en logarithme) de .0837 pour les noirs et de .3033 pour les blancs. L’écart est beaucoup plus prononcé chez les blancs que chez les noirs. Ces résultats sont différents de ceux obtenus par Oaxaca qui trouvait des différences salariales assez proches (.4307 pour les blancs et .3989 pour les noirs). Cependant, ces résultats vont dans le même sens, confirmant qu'il y a moins de différences salariales entre hommes et femmes chez les travailleurs noirs que chez les travailleurs blancs. La comparaison des écarts salariaux obtenus dans ce travail avec ceux d'Oaxaca pourrait nous amener à conclure qu'il y a un effort qui a été fait dans le sens de la réduction de l'écart salarial entres hommes et femmes, toutes races confondues, mais qu'il y a encore du travail à faire du côté des blancs où l'écart salarial est assez soutenu. Rajoutons qu'à titre indicatif, le salaire moyen (en logarithme) de toute la population blanche de notre échantillon est de 2.63 et est supérieur de .26 à celui des noirs présents dans notre échantillon.
  • 16. Suivant la méthodologie d'Oaxaca, l'écart salarial dû à la discrimination est obtenu après soustraction des différences dans les caractéristiques individuelles moyennes entre les hommes et les femmes pour chaque groupe. En moyenne la discrimination pure en termes logarithmique est en moyenne de .28 chez les blancs et de .12 chez les noirs. Le différentiel salarial qui est du caractéristique est en moyenne de -.006 chez les blancs et de -.0563 chez les noirs. La figure 1 et 2, nous donne les déterminants de l’écart salarial à tous les nouveaux. Ainsi on peut observer, que sur toute la distribution du salaire, c’est la discrimination pure qui est la source de du différentiel salarial par genre. C’est résultats vont dans le même sens que la théorie de la discrimination sur la base des préférences de Becker qui stipule que les préjugés sur les membres d’un certain groupe ont un effet négatif sur leur situation sur le marché du travail 0.2.4.6 Logwageeffects 0 .2 .4 .6 .8 1 Quantile Total differential Effects of characteristics Effects of coefficients Decomposition of differences in distribution
  • 17. Conclusion La décomposition de Oaxaca a permis d'estimer les différences attribuables aux caractéristiques des individus, et à la discrimination. On a pu déterminer l’impact de la discrimination par genre sur le salaire des femmes. Ainsi les femmes doivent travailler plus que les hommes pour avoir le même salaire que ces derniers puisqu’elle font fasse à une discrimination pure sur le marché du travail. La méthodologie utilisée a été critiquée par l'auteur lui même qui soutient que l'approche d'estimation de la discrimination ne prend pas en compte les différences dans les structures salariales des individus qui ne sont pas attribuables à la discrimination. Ceci est motivé par le fait que les différences d'investissement entre hommes et femmes par exemple peuvent refléter des différences dans les salaires de ces deux groupes et ceci ne constitue pas en soi une discrimination entre hommes et femmes. Une extension de notre étude à une décomposition quantile non paramétrique pourrait s’avérer meilleur car les R-carré de la régression quantile sont très bas. -.3-.2-.10.1.2 Logwageeffects 0 .2 .4 .6 .8 1 Quantile Total differential Effects of characteristics Effects of coefficients Decomposition of differences in distribution
  • 18. REFERENCES • Aigner, D., et Cain, G. 1977 Statistical Theories of Discrimination in the Labor Market, Industrial and Labor Relations Review, 175-187. • Altonji,J. G. et Pierret,C. R. 2001. Employer Learning and Statistical Discrimination, The Quarterly Journal of Economics. • Bauer, T. et Sinning, M. 2005 Blinder-Oaxaca Decomposition for Tobit Models, Applied Economics, 2010, 42(12), 1569-1575 • Becker,G. S. 1957 The Economics of Discrimination Chicago : The University of Chicago Press. • Cahuc, P. et Zylberberg A. 2004 Labour Economics, MIT Press • Charles K. K, et Guryan, J. 2008 Prejudice and Wages : An Empirical Assessment of Becker's The Economics of Discrimination, Journal of Politital Economy, vol 116, no 5 .16 • Coate, S. et Loury, G. 1993, Will A_rmative Action Policies eliminate Negative Stereotypes?, American Economic Review, LXXXIII, 1220-1240. • Fairlie, R. W. 2005 An Extension of the Blinder-Oaxaca Decomposition Technique to Logit and Probit Models, Journal of Economic and Social Measurement, 305-316. • Gneezy, U. 2003 Performance in Competitive Environment : Gender Di_erences, The Quarterly Journal of Economics. • Oaxaca,R. 1973. Male-Female Wage Differentials in Urban Labor Markets, International Economic Review, Vol. 14, No. 3, 693-709. • Szymanski, S. 2000 A Market Test for discrimination in the English Professional Soccer Leagues, Journal of Political Economy, vol 108, no 3. • Mathias Sinning, Canberra, Australia. The Blinder–Oaxaca decomposition for nonlinear regression models, The Stata Journal (2008) 8, Number 4, pp. 480–492